使用 LFM3 构建专用多模态模型

LFM3 是我们新一代的 Liquid Foundation Models（LFM），旨在成为专用智能的起点。它将文本、视觉、音频、全模态（omni）和决策模型整合到同一个共享骨干上，全部处于 2B 参数范围内。这意味着您可以为您的模态选择合适的模型，在单个 GPU 上用自己的数据进行微调，并在您的应用运行之处进行部署。

与我们之前的 LFM2 系列相比，LFM3 带来了四项主要变化：

• 每参数能力更强： 全新的三重混合架构和训练配方使 LFM3-1.7B 在参数量减少 35% 的情况下超越了 LFM2.5-2.6B。
• 所有模态共用一个骨干： 六个 2B 级别模型（文本、视觉、音频、全模态和决策）均从 LFM3-1.7B-Base 训练而来，其中包括我们的首个全模态模型以及视觉模型的视频输入功能。
• 为边缘端而生： 文本模型在 4-bit 精度下仅需约 1 GB 即可运行，全新的自研视觉和音频编码器加快了处理速度，文本模型的 256K 上下文窗口让智能体可以在设备端运行。
• 为专用化而设计： 每个模型都可在单个 GPU 上微调，因此您可以将其适配到您的数据、术语和部署环境中。

我们如何构建更具表达力的骨干网络

LFM2 证明了短卷积与注意力机制的混合架构可以在设备端快速运行而不牺牲质量。对于 LFM3，我们使用硬件在环架构搜索针对智能体用例重新设计了该架构，这类用例需要更高的每参数能力和在长上下文下的快速推理。此次搜索覆盖了 14 种设备和后端组合，从手机和 Raspberry Pi 5 到笔记本电脑、云 CPU、GPU 以及 Qualcomm Hexagon NPU。

LFM3-1.7B-Base 拥有 24 层，并有四项主要变化：

1. 三重混合层组合： 13 层门控短卷积、5 层具有 256-token 窗口的滑动窗口注意力（SWA）层，以及 6 层全局注意力层。卷积的核大小为 7，相比 LFM2 的 3 有所提升。
2. 按头门控注意力： 一个 sigmoid 门控对每个头的输出进行缩放，因此当某个头没有可贡献的内容时可以关闭。这有助于抑制损害量化效果的激活离群值。
3. 部分 RoPE： 全局注意力层仅对每个头中频率最高的那一半进行旋转，因此另一半仅根据内容进行匹配而与距离无关。SWA 层保留完整的 RoPE。
4. 三明治归一化： 每个块对其输入和输出都进行归一化，以保持激活值处于良好的数值范围内。

其收益在长上下文中显现。按参数计算，LFM3-1.7B 在边缘设备上的短提示下与 LFM2-1.2B 相当，而在上下文中有 8K token 时速度快约 25%。LFM3-1.7B-Base 在 22T token 上进行了预训练，并使用相同的 128K 词汇表，与 LFM2.5-8B-A1B相同的 128K 词表。最后的 3.5T token 是一个在精选数据上的中期训练阶段，其中包含了更大比例的智能体轨迹和工具调用数据，同时还将上下文窗口扩展至 256K token。

一个骨干支持六个模型

每个 LFM3 模型都从 LFM3-1.7B-Base 分支而来。您无需运行一个大型通用模型，而是选择适合您输入的模型，对其进行定制，并在设备端运行。

视觉和音频模型还获得了两个新的自研编码器：

• 视觉编码器： 它结合了卷积与注意力机制，计算量比以往 LFM VL 模型中的 SigLIP2 编码器少 3 倍。我们这个 164M 参数的编码器在准确率上与 Qwen3.5-2B 的视觉编码器相当，而所需 FLOPs 少 2.2 倍（两者均在同一 LFM2.5-230M 语言骨干上测得）。对于视频，它将每对采样帧嵌入到一个时间切片中，使时间序列长度减半。
• 音频编码器与 LiquidCodec： 该音频编码器混合了滑动窗口注意力与短卷积，并且是完全因果的，因此模型可以在你说话时进行预填充，首 token 延迟低至 50 ms。LiquidCodec 是我们新的音频分词器，可在 Apple M4 Max 的单 CPU 线程上以约 87 倍实时速度将生成的 token 转换为语音，并支持流式解码。

如何使用 LFM3 模型

每个模型运行于 transformers。下面的片段来自模型卡，这些模型卡还列出了每个模型支持的其他推理引擎。

LFM3-1.7B

当你需要本地代理、工具调用、结构化输出或领域特定微调的基础模型时，请选择 LFM3-1.7B。它经过后训练，可在 Hermes Agent、Pi 和 OpenClaw 等代理框架中运行。它以减少 35% 的参数量超越其前身 LFM2.5-2.6B，而最大的提升体现在代理任务上：在 WebArena-Verified 上，它得分为 38.42，相比之下为 3.02，它甚至在浏览器和商业应用中的长任务上击败了 Qwen3.5-9B。更多详情请见 LFM3-1.7B 模型卡.

要运行 LFM3-1.7B，请安装最新版本的 transformers:

pip install -U transformers

然后加载并运行该模型：

from transformers import pipeline

generator = pipeline(
    "text-generation",
    model="LiquidAI/LFM3-1.7B",
    trust_remote_code=True,
)

messages = [{"role": "user", "content": "What is C. elegans?"}]
output = generator(
    messages,
    do_sample=True,
    temperature=0.1,
    top_k=50,
    repetition_penalty=1.1,
    max_new_tokens=2048,
)
print(output[0]["generated_text"][-1]["content"])

本地代理设置请参见 Agent Harnesses 指南.

LFM3-VL-2B

当你需要端侧视觉理解时，请选择 LFM3-VL-2B。它是首个接受视频输入的 LFM 视觉模型；它在回答之前逐步推理，并且能够发现物体并推理它们的位置关系，这是机器人技术的坚实基础。与 LFM2.5-VL-3B 相比，它的参数更少（1.9B 对 3.1B），却将 62 个视觉基准的平均分从 57.6 提升至 71.4，与比它大六倍多的模型 Gemma 4 12B 相当。更多详情请见 LFM3-VL-2B 模型卡.

要运行 LFM3-VL-2B，请安装 transformers>=5.21.0 及其视觉依赖：

pip install "transformers>=5.21.0" torch torchvision pillow

然后加载并运行模型：

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "LiquidAI/LFM3-VL-2B"

model = AutoModelForImageTextToText.from_pretrained(model_id, dtype=torch.bfloat16, device_map="auto", trust_remote_code=True)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://placecats.com/300/200"},
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

with torch.inference_mode():
    output_ids = model.generate(
        **inputs,
        do_sample=True,
        temperature=0.1,
        top_k=50,
        repetition_penalty=1.1,
        max_new_tokens=16384,  # generate() needs an explicit limit; reasoning can be long
    )

generated_ids = output_ids[:, inputs["input_ids"].shape[1] :]
print(processor.batch_decode(generated_ids, skip_special_tokens=True)[0])

请参阅 LFM3-VL-2B 模型卡 了解工具调用、工具搜索以及使用 llama.cpp 进行设备端推理。

LFM3-Audio-2B

当您需要在笔记本电脑或边缘设备上进行语音聊天、语音识别、语音合成或跨 18 种语言的翻译时，请选择 LFM3-Audio-2B。它接受文本或音频作为输入，并以文本、语音或两者兼有的方式响应，还能将口头请求转换为工具调用。与 LFM2.5-Audio-1.5B 相比，它采用了全新的自研音频编码器和语音编解码器，语音质量更高（UTMOSv2 得分为 3.83，相比之下为 3.22），并增加了音频理解、通用音频推理和工具调用功能。您可以在 LFM3-Audio-2B 模型卡.

要运行 LFM3-Audio-2B，请安装 transformers>=5.20.2 及其音频依赖：

pip install "transformers>=5.20.2" torch accelerate librosa soundfile

直接从 Hugging Face Hub 加载模型和处理器：

import torch
import soundfile as sf

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "LiquidAI/LFM3-Audio-2B"
device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.bfloat16 if device == "cuda" else torch.float32

model = AutoModelForMultimodalLM.from_pretrained(
    model_id, dtype=dtype, device_map=device, trust_remote_code=True
).eval()
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
codec = processor.audio_tokenizer.to(device=device).eval()

然后大声提出一个问题，即可获得文字和语音形式的回答：

conversation = [
    {"role": "system", "content": "Respond with interleaved text and audio."},
    {"role": "user", "content": [{"type": "audio", "audio": "question.wav"}]},
    {"role": "assistant", "content": "<|mixed_start|>"},
]
inputs = processor.apply_chat_template(
    conversation,
    continue_final_message=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(device)
with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=1024,
        audio_temperature=1.0,
        audio_top_k=128,
        audio_repetition_penalty=1.1,
        audio_repetition_window=4096,
        return_dict_in_generate=True,
    )

    text = processor.decode(
        outputs.sequences[0, inputs["input_ids"].shape[1]:],
        skip_special_tokens=True,
    )
    waveform = codec.decode(
        outputs.audio_codes[:1, :, :outputs.audio_lengths[0]]
    ).audio_values[0]  # 24 kHz
print(text)
sf.write("reply.wav", waveform.float().cpu().numpy(), 24_000)

请参阅 LFM3-Audio-2B 模型卡 用于实时语音识别、语音合成、音频理解和工具调用。

LFM3-Omni-2B

当你需要一个能看、能听、能对话的端侧模型时，请选择 LFM3-Omni-2B，用它替代独立的 ASR 模型、视觉语言模型、LLM 和 TTS 模型。它可以回答关于图像的语音提问，同时观看并聆听视频，并将所见所闻转化为工具调用。这是我们的第一个全模态（omni）模型，支持文本、视觉和音频输入以及文本和语音输出，并保留了独立 LFM3 模型的核心能力，包括视觉问答、语音识别、语音合成和指令遵循。与 LFM3-Audio-2B 一样，它通过 LiquidCodec 发声，能以快于实时的速度将生成的 token 转换为语音，因此语音回复可以在模型生成的同时流式输出。在音视频理解方面，它在 Daily-Omni、WorldSense 和 AV-SpeakerBench 上击败了参数量高达 10.7B 的模型，例如 Qwen2.5-Omni-7B。更多详情请见 LFM3-Omni-2B 模型卡.

要运行 LFM3-Omni-2B，请安装 transformers>=5.20.2 及其视觉和音频依赖项：

pip install "transformers>=5.20.2" torch torchvision torchcodec accelerate pillow librosa soundfile

import torch
import soundfile as sf

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "LiquidAI/LFM3-Omni-2B"
device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.bfloat16 if device == "cuda" else torch.float32

model = AutoModelForMultimodalLM.from_pretrained(
    model_id, dtype=dtype, device_map=device, trust_remote_code=True
).eval()
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
codec = processor.audio_tokenizer.to(device=device).eval()

然后通过语音就一张照片提问:

conversation = [
    {
        "role": "system",
        "content": "Answer questions about the provided image. Base every answer only on what can be seen. Respond with text.",
    },
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "photo.jpg"},
            {"type": "audio", "audio": "question.wav"},
        ],
    },
]
inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(device)

with torch.no_grad():
    outputs = model.generate(**inputs, max_new_tokens=1024, generation_mode="text")

print(processor.decode(
    outputs.sequences[0, inputs["input_ids"].shape[1]:outputs.sequence_lengths[0]],
    skip_special_tokens=True,
))

请参阅 LFM3-Omni-2B 模型卡片 用于语音输出、带音轨的视频以及工具调用。

d1-2B 和 d1-omni-2B

当您需要快速、结构化的决策而非生成文本时,请选择 d1 模型。给它们一个情境(一张支持工单、一张发票、一个应用屏幕、一张照片、一段语音留言)和一份问题列表,它们会在单次前向传播中回答所有问题,每个答案都带有校准后的概率。除了是非题、选择题和评分之外,它们现在还能指向物体、读取文档中的数值、以区间形式估计数字,以及勾选所有适用的选项。更多详情请参阅模型卡: d1-2B 和 d1-omni-2B.

在两个d1模型之间：

• d1-2B: 为文字、图片和视频选择它。它取代了 d1-3B 参数少了三分之一，并且在我们的全部四个决策测试套件中得分更高，例如，在ImajevBench上得分为75.5，而之前为64.0。
• d1-omni-2B：当你的输入包含音频时请选择它。如果你用语音而非文字提问，它几乎能保持全部的准确性。

要运行 d1-2B，请安装 transformers>=5.19 及其视觉依赖项：

pip install "transformers>=5.19" torch torchvision pillow

然后加载 d1-2B，并一次性让它回答关于同一张支持工单的几个问题：

import torch
from transformers import AutoModel

device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
dtype = torch.float32 if device == "cpu" else torch.bfloat16
model = AutoModel.from_pretrained("LiquidAI/d1-2B", trust_remote_code=True, dtype=dtype).to(device)

# Several named questions over one state, answered in one pass
questions = {
    "refund": {"type": "noul", "instructions": "Is the customer asking for a refund?"},  # yes/no: P(yes)
    "team": {"type": "choice", "instructions": "Which team should handle this?",
             "criteria": {"billing": "Charges, refunds, invoices", "shipping": "Delivery and parcels",
                          "technical": "App or site faults"}},
    "topics": {"type": "choice", "multiple": True, "instructions": "Which topics does the message raise?",
               "criteria": {"billing": "Payments and charges", "delivery": "Shipping and parcels",
                            "login": "Signing in to the account"}},
    "urgency": {"type": "score", "instructions": "How urgent is this ticket?", "criteria": ["low", "medium", "high"]},
}
out = model.system_one("I was charged twice and my parcel never arrived. Please refund one charge.", questions)
a = out["answers"]
urgency = a["urgency"]["legend"][str(int(a["urgency"]["score"]))]
print(round(a["refund"]["noul"], 2), a["team"]["choice"], a["topics"]["choices"], urgency)
# 1.0 billing ['billing', 'delivery'] medium

为简洁起见,我们仅包含 d1-2B 的示例。请参阅 d1-omni-2B 模型卡 用于音频片段和口语提问。

针对你的任务微调 LFM3

LFM3 专为专业化而构建。前沿模型是强大的通才，但不一定是你的用例方面的专家。LFM3 在一个小而快的模型中打包了额外的容量，因此一次简短的微调就能借助你的数据、术语和工具，把它变成你任务上的可靠专家。由于它体积小，你可以将微调后的模型部署到应用运行之处，从设备到私有基础设施再到云端。

每个模型都可以在单个 GPU 上微调，这些 notebook 将带您完成文本、视觉、音频和 omni 模型的完整任务，从数据准备到评估。

示例：教 LFM3 执行操作

我们将LFM3-VL-2B适配为三个互补的机器人模型，用于 编排、导航与操作. 编排器通过工具调用操作机械臂：它通过指向来定位物体，使用深度工具进行测量，调用运动规划器，并在后续相机图像中检查结果。导航器利用最近的RGB观测数据跟随路线描述，仅用五个token即可预测空间目标和路径点轨迹。操作VLA在单次前向传播中将图像、语言和机器人状态映射为八步连续动作块。该VLA在15种机器人本体上联合训练，在四个LIBERO测试套件上实现96.2%的平均成功率，在RoboCasa-GR1桌面任务上达到45.7%，并借助TensorRT FP16在Jetson AGX Orin上以不到50 ms的时间生成动作块。这些结果凸显了LFM3-VL-2B作为紧凑型机器人基础的潜力，涵盖从高层规划到低层控制，并能在嵌入式硬件上实时生成动作。

观看 LFM3-VL-2B 处理感知、导航和操作： 此演示视频.

开始使用 LFM3

所有 LFM3 模型均为开放权重模型，现已在 Hugging Face 上发布：

• 下载： 该 LFM3 系列 在 Hugging Face 上，包括 LFM3-1.7B-Base 用于您自己的后训练。
• 微调： 使用我们的工具针对您的任务适配 LFM3 微调笔记本.
• 在你的测试工具（harness）中使用： 关注我们的 指南 关于如何运行本地代理，例如 OpenClaw、Hermes Agent 和 Pi。

我们迫不及待地想看到你构建的作品。

引用

如果您使用本作品，请引用发布博客：

@article{liquidAI2026LFM3,
  author = {Liquid AI},
  title = {Introducing LFM3: Every Modality for Specialized Intelligence},
  journal = {Liquid AI Blog},
  year = {2026},
  note = {www.liquid.ai/blog/lfm3},
}